之前小編已經(jīng)分享過(guò)很多空間轉(zhuǎn)錄組的分析工具（?? 都可以在空間組專輯里找到喲）娱两。為了方便大家查找赤拒，小編將空間轉(zhuǎn)錄組常用的去卷積工具和聚類工具做了匯總门扇！
# 去卷積工具合輯 #
空間分辨轉(zhuǎn)錄組學(xué)實(shí)驗(yàn)分析的關(guān)鍵步驟之一是確定細(xì)胞類型。細(xì)胞類型去卷積，是用于估計(jì)混合物（數(shù)據(jù)點(diǎn)）中每種細(xì)胞類型的比例以及每個(gè)細(xì)胞的基因表達(dá)水平（在同一數(shù)據(jù)點(diǎn)內(nèi)）的算法大猛。
SPOTlight
SPOTlight能夠?qū)⒖臻g轉(zhuǎn)錄組與scRNA-seq數(shù)據(jù)集成竭缝，從而推斷復(fù)雜組織中細(xì)胞類型和狀態(tài)的位置肄梨。其基于一個(gè)種子的非負(fù)矩陣因子分解回歸（Seeded NMF regression ）碍舍，使用細(xì)胞類型標(biāo)記基因和非負(fù)最小二乘(NNLS)初始化鉴吹，隨后去卷積空間轉(zhuǎn)錄組數(shù)據(jù)捕獲位置(spot)霉咨。
性能評(píng)估：通過(guò)模擬不同的參考數(shù)量和質(zhì)量數(shù)據(jù)證實(shí)SPOTlight在低深度測(cè)序或小規(guī)模的scRNA-seq參考數(shù)據(jù)集中也具有較高的預(yù)測(cè)精度驾中；小鼠大腦的SPOTlight去卷積正確地映射了皮質(zhì)層的細(xì)微神經(jīng)元細(xì)胞狀態(tài)和海馬的特定結(jié)構(gòu)驶赏；作為概念驗(yàn)證院喜，開(kāi)發(fā)團(tuán)隊(duì)將SPOTlight應(yīng)用于胰腺癌（PDAC）數(shù)據(jù)痰驱，并確定了腫瘤微環(huán)境中臨床相關(guān)的免疫細(xì)胞狀態(tài)的空間組織证芭。
工具獲取：
https://github.com/MarcElosua/SPOTlight
SpatialDWLS
SpatialDWLS可以概括為兩個(gè)步驟萄唇，第一個(gè)步驟使用細(xì)胞類型富集分析方法來(lái)確定哪些類型的細(xì)胞在每個(gè)位置具有較高的概率檩帐，第二個(gè)步驟使用阻尼加權(quán)最小二乘法（DWLS）的擴(kuò)展來(lái)確定指定位置的細(xì)胞類型的精確組成。與現(xiàn)有的去卷積方法相比另萤，關(guān)鍵區(qū)別在于SpatialDWLS包含額外的過(guò)濾步驟湃密，以去除不相關(guān)的細(xì)胞類型诅挑，從而增強(qiáng)特異性。
性能評(píng)估：對(duì)一個(gè)模擬的空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)集進(jìn)行評(píng)估時(shí)泛源，SpatialDWLS在具有較低的均方根誤差（RMSE）和計(jì)算時(shí)間方面優(yōu)于RCTD和stereoscope拔妥；開(kāi)發(fā)團(tuán)隊(duì)?wèi)?yīng)用SpatialDWLS分析了10X Genomics Visium數(shù)據(jù)集，該數(shù)據(jù)集映射了小鼠大腦中的空間轉(zhuǎn)錄組譜达箍；此外没龙，SpatialDWLS還被應(yīng)用于確定在整個(gè)胚胎心臟發(fā)育過(guò)程中細(xì)胞類型組織在空間和時(shí)間上的變化。
工具獲榷忻怠：在Giotto中可以輕松訪問(wèn)SpatialDWLS方法硬纤，這是一個(gè)用戶友好的軟件包，包含大量用于空間轉(zhuǎn)錄組數(shù)據(jù)分析和可視化的計(jì)算工具赃磨。
https://github.com/RubD/Giotto
RCTD
RCTD利用注釋的scRNA-Seq數(shù)據(jù)創(chuàng)建數(shù)據(jù)中預(yù)期細(xì)胞群的細(xì)胞類型概況筝家，然后使用監(jiān)督學(xué)習(xí)方法用細(xì)胞類型標(biāo)記空間轉(zhuǎn)錄組pixels。由于這一分析的主要障礙之一是目前的空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)集可能在一個(gè)pixel內(nèi)包含多種細(xì)胞類型邻辉，RCTD還可以擬合一個(gè)統(tǒng)計(jì)模型溪王，以確定一個(gè)pixel內(nèi)存在的多種細(xì)胞類型，并將scRNA-Seq和SRT數(shù)據(jù)集之間的平臺(tái)效應(yīng)歸一化值骇。使用這種方法莹菱，RCTD能夠跨平臺(tái)對(duì)細(xì)胞進(jìn)行分類，準(zhǔn)確率接近90%吱瘩。與其他監(jiān)督學(xué)習(xí)方法一樣道伟，使用該工具可以檢測(cè)的細(xì)胞類型受限于參考數(shù)據(jù)集的準(zhǔn)確和完整注釋。
性能評(píng)估：RCTD可以準(zhǔn)確地發(fā)現(xiàn)模擬和真實(shí)空間轉(zhuǎn)錄組數(shù)據(jù)中細(xì)胞類型的定位搅裙。此外皱卓，RCTD還可以檢測(cè)細(xì)微的轉(zhuǎn)錄組差異，從而在空間上映射細(xì)胞亞型部逮。最后娜汁，開(kāi)發(fā)團(tuán)隊(duì)使用RCTD計(jì)算預(yù)期的細(xì)胞類型特異性基因表達(dá)，從而能夠根據(jù)細(xì)胞的空間環(huán)境檢測(cè)基因表達(dá)的變化兄朋。
工具獲绕：
https://github.com/dmcable/RCTD
DSTG
DSTG是一種新的基于圖形的人工智能方法，其通過(guò)基于圖形的卷積網(wǎng)絡(luò)對(duì)空間轉(zhuǎn)錄組數(shù)據(jù)（ST）進(jìn)行去卷積颅和，可利用scRNA-seq數(shù)據(jù)揭示ST數(shù)據(jù)中的細(xì)胞混合物傅事。首先，DSTG從scRNA-seq數(shù)據(jù)構(gòu)建合成pseudo-ST數(shù)據(jù)峡扩。DSTG使用共享鄰近算法學(xué)習(xí)pseudo-ST數(shù)據(jù)和real-ST數(shù)據(jù)的spot映射鏈接圖蹭越，鏈接圖捕獲spot之間的內(nèi)在拓?fù)湎嗨菩裕seudo-ST和real-ST數(shù)據(jù)合并到同一個(gè)圖中進(jìn)行學(xué)習(xí)教届。然后响鹃，基于鏈接圖驾霜，使用半監(jiān)督圖卷積網(wǎng)絡(luò)（GCN）學(xué)習(xí)局部圖結(jié)構(gòu)和基因表達(dá)模式的潛在表示，以解釋spot的各種細(xì)胞組成买置。
性能評(píng)估：DSTG不僅在不同技術(shù)生成的合成空間數(shù)據(jù)上表現(xiàn)出優(yōu)異的性能粪糙，而且還有效地識(shí)別了小鼠皮層、海馬切片和胰腺腫瘤組織中細(xì)胞的空間組成：通過(guò)對(duì)從外周血單核細(xì)胞（PBMC）和其他組織生成的合成數(shù)據(jù)進(jìn)行基準(zhǔn)評(píng)估忿项，DSTG在預(yù)測(cè)的細(xì)胞混合和實(shí)際的細(xì)胞組成之間顯示了良好的準(zhǔn)確性蓉冈；同時(shí)，DSTG在復(fù)雜組織(包括小鼠皮層轩触、海馬和人胰腺腫瘤切片)的ST數(shù)據(jù)上也顯示出與H&E染色觀察高度一致的結(jié)果寞酿。
工具獲取：
https://github.com/Su-informatics-lab/DSTG
stereoscope
stereoscope首先使用單細(xì)胞數(shù)據(jù)來(lái)描述每個(gè)細(xì)胞類型的表達(dá)譜脱柱，然后在每個(gè)捕獲位置內(nèi)找到這些類型的組合熟嫩，以最好地解釋空間數(shù)據(jù)。該模型框架利用單細(xì)胞數(shù)據(jù)推斷空間數(shù)據(jù)中每個(gè)捕獲位置的每個(gè)細(xì)胞類型的比例估計(jì)褐捻，從而消除了對(duì)空間數(shù)據(jù)分析時(shí)對(duì)要素或簇等抽象實(shí)體的任何解釋或注釋的必要性。
性能評(píng)估：為了證明stereoscope的實(shí)用性椅邓，研究團(tuán)隊(duì)使用來(lái)自不同實(shí)驗(yàn)平臺(tái)的數(shù)據(jù)柠逞，并對(duì)來(lái)自小鼠大腦和發(fā)育期心臟的細(xì)胞類型進(jìn)行了空間映射，其排列方式與預(yù)期一致景馁；為了說(shuō)明stereoscope如何與其他空間技術(shù)結(jié)合使用板壮，研究團(tuán)隊(duì)分析了海馬和小腦的Slide-seq數(shù)據(jù)，這些數(shù)據(jù)成功地再現(xiàn)了該技術(shù)最初發(fā)表的結(jié)果合住；此外绰精，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)程序從真實(shí)的單細(xì)胞數(shù)據(jù)中收集類似于從空間技術(shù)獲得的合成數(shù)據(jù)，將stereoscope與兩種最近發(fā)表的方法（DWLS和deconvSeq）進(jìn)行比較透葛，結(jié)果證實(shí)stereoscope的實(shí)現(xiàn)優(yōu)于其他兩種方法笨使。
工具獲取：
https://github.com/almaan/stereoscope
此外僚害，還有預(yù)印發(fā)表的工具：Cell2location硫椰，一個(gè)原則性和通用的貝葉斯模型，其集成了單細(xì)胞和空間轉(zhuǎn)錄組學(xué)萨蚕，以全面的方式在原位繪制細(xì)胞類型靶草；SpatialDecon，一種在空間分辨率的基因表達(dá)研究區(qū)域內(nèi)岳遥，通過(guò)scRNA-seq定義的細(xì)胞群的量化算法奕翔。其獲得的細(xì)胞豐度估計(jì)值是空間分辨的、顆粒狀的浩蓉，并與高度復(fù)用的基因表達(dá)數(shù)據(jù)相匹配...
首發(fā)公號(hào)：國(guó)家基因庫(kù)大數(shù)據(jù)平臺(tái)
參考文獻(xiàn)
[1] Elosua-Bayes M, Nieto P, Mereu E, et al. SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes[J]. Nucleic acids research, 2021, 49(9): e50-e50.
[2]?Dong R, Yuan G C. SpatialDWLS: accurate deconvolution of spatial transcriptomic data[J]. Genome biology, 2021, 22(1): 1-10.
[3]?Cable D M, Murray E, Zou L S, et al. Robust decomposition of cell type mixtures in spatial transcriptomics[J]. Nature Biotechnology, 2021: 1-10.
[4]?Song Q, Su J. DSTG: deconvoluting spatial transcriptomics data through graph-based artificial intelligence[J]. Briefings in Bioinformatics, 2021.
[5]?Andersson A, Bergenstr?hle J, Asp M, et al. Single-cell and spatial transcriptomics enables probabilistic inference of cell type topography[J]. Communications biology, 2020, 3(1): 1-8.
[6]?Kleshchevnikov V, Shmatko A, Dann E, et al. Comprehensive mapping of tissue cell architecture via integrated single cell and spatial transcriptomics[J]. bioRxiv, 2020.
[7]?Danaher P, Kim Y, Nelson B, et al. Advances in mixed cell deconvolution enable quantification of cell types in spatially-resolved gene expression data[J]. bioRxiv, 2020.
圖片均來(lái)源于參考文獻(xiàn)派继，如有侵權(quán)請(qǐng)聯(lián)系刪除宾袜。
